CN113126497B - 考虑输入饱和的飞行器鲁棒跟踪控制方法 - Google Patents

考虑输入饱和的飞行器鲁棒跟踪控制方法 Download PDF

Info

Publication number
CN113126497B
CN113126497B CN202110402676.3A CN202110402676A CN113126497B CN 113126497 B CN113126497 B CN 113126497B CN 202110402676 A CN202110402676 A CN 202110402676A CN 113126497 B CN113126497 B CN 113126497B
Authority
CN
China
Prior art keywords
representing
error
function
saturation
aircraft
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202110402676.3A
Other languages
English (en)
Other versions
CN113126497A (zh
Inventor
许斌
梁帅
李导
唐勇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Northwestern Polytechnical University
AVIC Chengdu Aircraft Design and Research Institute
Original Assignee
Northwestern Polytechnical University
AVIC Chengdu Aircraft Design and Research Institute
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Northwestern Polytechnical University, AVIC Chengdu Aircraft Design and Research Institute filed Critical Northwestern Polytechnical University
Priority to CN202110402676.3A priority Critical patent/CN113126497B/zh
Publication of CN113126497A publication Critical patent/CN113126497A/zh
Application granted granted Critical
Publication of CN113126497B publication Critical patent/CN113126497B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明涉及一种考虑输入饱和的飞行器鲁棒跟踪控制方法，属于飞行控制方法领域。考虑系统状态含有随机测量噪声，基于飞行器动力学模型和测量信号构建系统状态方程和量测方程，利用非线性扩展卡尔曼滤波器实时估计系统真实状态，从而抑制测量噪声对系统的影响；针对输入饱和，通过函数转换将饱和函数转换成线性时变函数，并与动力学模型结合得到考虑输入饱和的速度子系统和高度子系统；基于状态估计值，针对系统模型不确定设计自适应律和鲁棒更新律，并利用Nussbaum函数处理时变控制增益得到实际控制输入。本发明在考虑飞行器存在输入饱和和模型不确定下实现了鲁棒跟踪控制，并有效抑制了测量噪声对系统的影响。

Description

考虑输入饱和的飞行器鲁棒跟踪控制方法
技术领域
本发明涉及一种飞行控制方法，特别是涉及考虑输入饱和的飞行器鲁棒跟踪控制方法，属于飞行控制方法领域。
背景技术
飞行控制系统设计是飞行器飞行安全的重要技术，飞行器在飞行过程中会受到外部环境以及自身固件的影响，比如风的扰动、气流对传感器测量信号干扰以及执行机构物理限制等，这些问题增加了控制器设计的难度。针对飞行器输入饱和，一些学者通过在控制系统设计中引入辅助系统来抵消饱和的影响，这必然增加了闭环系统的阶数。此外，大部分文献在控制器设计中都是假设系统状态精确可获得，然而气流以及器件老化等原因必然导致传感器存在一定测量噪声，如果直接将含有噪声的测量信号用于控制器设计会进一步导致执行机构产生高频振荡，并超出输入约束范围，因此，输入饱和约束以及扰动等都是控制系统设计需要考虑的重要问题。
《HOSM Observer Based Robust Adaptive Hypersonic Flight Control UsingComposite Learning》(Y Cheng，B Xu，F Wu，et al，《Neurocomputing》，2018年)采用高阶滑模观测器来估计系统转换后的状态，并基于状态估计值设计控制器。然而，高阶滑模观测器在随机测量噪声的影响下不能有效估计系统状态，由此设计的控制器达不到期望的控制效果。《Neural-approximation-based robust adaptive control of flexible air-breathing hypersonic vehicles with parametric uncertainties and control inputconstraints》(X Bu,X Wu,D Wei,et al,《Information Sciences》，2016年)通过构造一个新的辅助系统来补偿期望的控制律，解决了输入幅值约束对作动器的影响，但增加了系统的阶数，降低了计算效率。
发明内容
要解决的技术问题
为了避免现有技术的不足之处，本发明提出一种考虑输入饱和的飞行器鲁棒跟踪控制方法，以解决飞行器状态含有随机噪声以及输入饱和、模型不确定性时的跟踪控制问题。
技术方案
一种考虑输入饱和的飞行器鲁棒跟踪控制方法，通过以下步骤实现：
步骤1：考虑飞行器纵向动力学模型为
Figure BDA0003021029550000021
Figure BDA0003021029550000022
Figure BDA0003021029550000023
Figure BDA0003021029550000024
Figure BDA0003021029550000025
其中，V、h、γ、α和q分别表示速度、高度、航迹角、迎角和俯仰角速度；D、L和MA分别表示阻力、升力和俯仰力矩；m、Iy和g分别表示飞行器质量、y轴的转动惯量和重力加速度；T表示发动机推力。(1)-(5)中相关气动力和力矩的定义如下
Figure BDA0003021029550000026
其中，ρh表示空气密度；S表示机翼面积；
Figure BDA0003021029550000027
表示平均气动弦长；
Figure BDA0003021029550000028
表示动压；CL，CD和CM分别表示总的气动升力系数、阻力系数和俯仰力矩系数；
Figure BDA0003021029550000029
Figure BDA00030210295500000210
表示气动导数；li,i＝1,…,8表示推力系数；zT表示推力力臂；Φ，δe分别表示燃料当量比和升降舵偏角。
考虑测量噪声，系统测量信号为
Figure BDA0003021029550000031
其中，ni,i＝1,…,5表示测量噪声，hm,γm,αm,qm,Vm表示测量信号。
步骤2：选择X＝[V h γ α q]T为状态量，根据动力学模型(1)-(5)建立系统状态方程
Figure BDA0003021029550000032
其中，w(t)＝[dV(t) dh(t) dγ(t) dα(t) dq(t)]T表示过程噪声；f0(X,u,t)∈R5表示(1)-(5)的标称模型；u＝[Φ,δe]T表示输入。
选择ym＝[Vm hm γm αm qm]T为量测量，根据(6)建立量测方程
ym＝CX+v(t) (8)
其中，C＝I5表示量测阵；v(t)＝[n1 n2 n3 n4 n5]T∈R5×1表示量测噪声。
信号w(t)和v(t)被建模为高斯白噪声，并满足
Figure BDA0003021029550000033
其中，Qf∈R5×5≥0表示噪声协方差矩阵，Rf∈R5×1>0表示量测噪声协方差矩阵，
Figure BDA0003021029550000034
根据方程(7)-(9)构建连续扩展卡尔曼滤波器
Figure BDA0003021029550000035
其中，
Figure BDA0003021029550000036
表示状态估计值；Kf＝PfCTR-1∈R5×5表示滤波增益矩阵；
Figure BDA0003021029550000037
表示状态估计协方差；
Figure BDA0003021029550000038
步骤3：考虑输入饱和，Φ＝sat(u1),δe＝sat(u2)
Figure BDA0003021029550000041
其中，
Figure BDA0003021029550000042
i＝1,2，分别表示Φ和δe的上界和下界。
将饱和函数转换成连续的线性函数
sat(ui)＝Bi(t)ui(t)+Ki(0)+Δi(t) (12)
其中，i＝1,2，Δi(t)＝sat(ui)-Ki(ui)，
Figure BDA0003021029550000043
Figure BDA0003021029550000044
定义Xh＝[x1 x2 x3]T，其中
Figure BDA0003021029550000045
由于γ很小，令方程(2)中的sinγ＝γ；同理，由于TsinαL，方程(3)中的Tsinα省略。
定义高度跟踪误差
Figure BDA0003021029550000046
其中，hr表示期望高度，根据动力学(2)和PID控制方法得到航迹角指令为
Figure BDA0003021029550000047
其中，kph和kih由设计者给出的正常数。
根据动力学模型(2)-(5)和饱和函数(12)，姿态系统转换成以下严格反馈形式
Figure BDA0003021029550000048
其中，
Figure BDA0003021029550000049
fi＝fi0+Δfi,i＝1,3，Δfi表示模型不确定，D3(t)＝g3(K2(0)+Δ2(t))，
Figure BDA00030210295500000410
G3(t)＝g3B2(t)，
Figure BDA00030210295500000411
基于严格反馈系统(14)，利用反步法设计控制器；定义误差e1＝x1-xd，其中，xd＝γd。根据严格反馈系统(14)，则
Figure BDA0003021029550000051
其中，
Figure BDA0003021029550000052
W1 *表示最优估计权值，ε1表示神经网络近似误差，且满足
Figure BDA0003021029550000053
设计虚拟控制器
Figure BDA0003021029550000054
Figure BDA0003021029550000055
其中，
Figure BDA0003021029550000056
表示神经网络最优权值估计；P1表示基函数向量；
Figure BDA0003021029550000057
表示
Figure BDA0003021029550000058
的估计值；ω0和k1表示设计的正常数，由设计者给出。
设计一阶滤波器为
Figure BDA0003021029550000059
其中，
Figure BDA00030210295500000510
表示
Figure BDA00030210295500000511
滤波后的指令，参数a2>0由设计者给出。
定义神经网络估计误差
Figure BDA00030210295500000512
鲁棒估计误差
Figure BDA00030210295500000513
设计更新律
Figure BDA00030210295500000514
其中，τ1，m1，ρ1和σ1表示设计的正常数。
定义误差
Figure BDA00030210295500000515
设计虚拟控制量
Figure BDA00030210295500000516
Figure BDA00030210295500000517
其中，k2表示控制参数。
设计一阶滤波器为
Figure BDA00030210295500000518
其中，
Figure BDA00030210295500000519
表示
Figure BDA00030210295500000520
滤波后的指令，a3>0由设计者给出。
定义误差
Figure BDA00030210295500000521
根据严格反馈系统(14)，则
Figure BDA00030210295500000522
其中，
Figure BDA00030210295500000523
Figure BDA00030210295500000524
表示最优估计权值，ε3表示神经网络近似误差，εh＝ε3+D3(t)，且满足
Figure BDA00030210295500000525
设计控制量u2为
u2＝N(ξh)v2 (20)
其中，
Figure BDA0003021029550000061
表示Nussbaum函数，
Figure BDA0003021029550000062
Figure BDA0003021029550000063
表示
Figure BDA0003021029550000064
的估计值，参数k3>0由设计者给出。
定义神经网络估计误差
Figure BDA0003021029550000065
鲁棒估计误差
Figure BDA0003021029550000066
设计更新律
Figure BDA0003021029550000067
Figure BDA0003021029550000068
其中，τ3，m3，ρ3和σ3是正常数。
根据动力学模型(1)和饱和函数(12)，速度子系统写成以下形式
Figure BDA0003021029550000069
其中，fv(X)＝fv0(X)+Δfv，
Figure BDA00030210295500000610
Gv(t)＝gvB1(t)，
Figure BDA00030210295500000611
Dv(t)＝gv(K1(0)+Δ1(t))，Δfv表示模型不确定性。
定义误差
Figure BDA00030210295500000612
其中，Vd表示期望速度。根据速度子系统方程(22)，则
Figure BDA00030210295500000613
其中，
Figure BDA00030210295500000614
Figure BDA00030210295500000615
表示最优估计权值，εv表示神经网络近似误差，εD＝εv+Dv(t)，且满足
Figure BDA00030210295500000616
设计控制量u1为
u1＝N(ξv)v1 (23)
其中，
Figure BDA00030210295500000617
表示Nussbaum函数，
Figure BDA00030210295500000618
Figure BDA00030210295500000619
表示
Figure BDA00030210295500000620
的估计值，参数k0>0由设计者给出。
定义神经网络近似误差
Figure BDA00030210295500000621
鲁棒估计误差
Figure BDA00030210295500000622
设计更新律
Figure BDA00030210295500000623
Figure BDA00030210295500000624
其中，τ0，m0，ρ0和σ0是正常数；
步骤4：根据控制输入u1和u2，得到实际控制量Φ＝sat(u1),δe＝sat(u2)，并返回到飞行动力学模型(1)-(5)中，实现高度和速度的稳定跟踪控制。
一种计算机系统，其特征在于包括：一个或多个处理器，计算机可读存储介质，用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现上述的方法。
一种计算机可读存储介质，其特征在于存储有计算机可执行指令，所述指令在被执行时用于实现上述的方法。
一种计算机程序，其特征在于包括计算机可执行指令，所述指令在被执行时用于实现上述的方法。
有益效果
本发明提出的一种考虑输入饱和的飞行器鲁棒跟踪控制方法，该方法基于时标分离原理将闭环系统分成了快时变状态观测系统和快时变鲁棒控制系统，并分开设计。如上述步骤2所示，在状态观测系统中，通过设计扩展卡尔曼滤波器估计系统真实状态，抑制测量噪声对系统的影响；如上述步骤3所示，基于状态估计值，在反步法框架下设计自适应控制器，利用神经网络实时估计飞行器的未知动力学，考虑输入饱和，通过模型转换将输入饱和转换成线性时变结构并融入到原系统方程中，利用Nussbaum函数处理未知时变增益，从而得到鲁棒控制器；按照上述步骤设计控制器以实现飞行器在考虑输入饱和、测量噪声以及模型不确定性下的鲁棒跟踪。与现有技术相比有益效果为：
(1)本发明考虑了输入饱和问题，通过函数转换将饱和函数转换成线性时变函数，并利用Nussbaum函数解决控制增益时变问题。
(2)本发明考虑了飞行器存在模型不确定性，通过神经网络估计系统不确定部分，并设计鲁棒更新律估计集中误差的上界。
(3)本发明考虑了测量信号含有随机噪声，通过构建状态方程和量测方程设计扩展卡尔曼滤波器来估计系统真实状态，从而抑制测量噪声对系统的影响。
附图说明
附图仅用于示出具体实施例的目的，而并不认为是对本发明的限制，在整个附图中，相同的参考符号表示相同的部件。
图1是本发明一种考虑输入饱和的飞行器鲁棒跟踪控制方法流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图和实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
本发明的一种考虑输入饱和的飞行器鲁棒跟踪控制方法流程图如图1所示，所发明内容用于提高考虑测量噪声、模型不确定以及输入饱和下飞行器的跟踪控制问题，其具体实施步骤如下：
步骤1：考虑飞行器纵向动力学模型为
Figure BDA0003021029550000081
Figure BDA0003021029550000082
Figure BDA0003021029550000083
Figure BDA0003021029550000084
Figure BDA0003021029550000085
其中，V、h、γ、α和q分别表示速度、高度、航迹角、迎角和俯仰角角速度；D、L和MA分别表示阻力、升力和俯仰力矩；m、Iy和g分别表示飞行器质量、y轴的转动惯量和重力加速度；T表示发动机推力。(1)-(5)中相关气动力和力矩的定义如下
Figure BDA0003021029550000091
其中，ρh表示空气密度；S表示机翼面积；c表示平均气动弦长；q表示动压；CL，CD和CM分别表示总的气动升力系数、阻力系数和俯仰力矩系数；
Figure BDA0003021029550000092
Figure BDA0003021029550000093
表示气动导数；li,i＝1,…,8表示推力系数；zT表示推力力臂；Φ，δe分别表示燃料当量比和升降舵偏角。
考虑测量噪声，系统测量信号为
Figure BDA0003021029550000094
其中，ni,i＝1,…,5表示测量噪声，hm,γm,αm,qm,Vm表示实际测量信号。
步骤2：选择X＝[V h γ α q]T为状态量，根据动力学模型(1)-(5)建立系统状态方程
Figure BDA0003021029550000095
其中，w(t)＝[dV(t) dh(t) dγ(t) dα(t) dq(t)]T，模型不确定w(t)建模为高斯白噪声；f0(X,u,t)∈R5表示(1)-(5)的标称模型；u＝[Φ,δe]T表示输入。
选择ym＝[Vm hm γm αm qm]T为量测量，根据(6)建立量测方程
ym＝CX+v(t) (8)
其中，C＝I5表示量测阵；v(t)＝[n1 n2 n3 n4 n5]T∈R5×1表示量测噪声，是高斯白噪声。
信号w(t)和v(t)满足关系
Figure BDA0003021029550000096
其中，Qf∈R5×5≥0表示噪声协方差矩阵，Rf∈R5×1>0表示量测噪声协方差矩阵，
Figure BDA0003021029550000101
根据方程(7)-(9)构建连续扩展卡尔曼滤波器
Figure BDA0003021029550000102
其中，
Figure BDA0003021029550000103
表示状态估计值；Kf＝PfCTR-1∈R5×5表示滤波增益矩阵；
Figure BDA0003021029550000104
表示状态估计协方差；
Figure BDA0003021029550000105
为雅可比矩阵。
步骤3：考虑输入饱和，Φ＝sat(u1),δe＝sat(u2)
Figure BDA0003021029550000106
其中，
Figure BDA0003021029550000107
分别表示Φ和δe的上界和下界。
将饱和函数转换成连续的线性函数
sat(ui)＝Bi(t)ui(t)+Ki(0)+Δi(t) (12)
其中，i＝1,2，Δi(t)＝sat(ui)-Ki(ui)，
Figure BDA0003021029550000108
Figure BDA0003021029550000109
定义Xh＝[x1 x2 x3]T，其中
Figure BDA00030210295500001010
由于γ很小，令方程(2)中的sinγ＝γ；同理，由于TsinαL，方程(3)中的Tsinα省略。
定义高度跟踪误差
Figure BDA00030210295500001011
其中，hr表示期望高度，根据动力学(2)和PID控制方法得到航迹角指令为
Figure BDA00030210295500001012
其中，kph＝0.6和kih＝0.1表示PID参数。
根据动力学模型(2)-(5)和饱和函数(12)，姿态系统转换成以下严格反馈形式
Figure BDA0003021029550000111
其中，
Figure BDA0003021029550000112
fi＝fi0+Δfi,i＝1,3，Δfi表示模型不确定，D3(t)＝g3(K2(0)+Δ2(t))，
Figure BDA0003021029550000113
G3(t)＝g3B2(t)，
Figure BDA0003021029550000114
定义误差e1＝x1-xd，其中，xd＝γd。根据严格反馈系统(14)，则
Figure BDA0003021029550000115
其中，
Figure BDA0003021029550000116
Figure BDA0003021029550000117
表示最优估计权值，ε1表示神经网络近似误差，且满足
Figure BDA0003021029550000118
设计虚拟控制器
Figure BDA0003021029550000119
Figure BDA00030210295500001110
其中，
Figure BDA00030210295500001111
表示神经网络最优权值估计；P1表示基函数向量；
Figure BDA00030210295500001112
表示
Figure BDA00030210295500001113
的估计值；ω0＝0.1，k1＝15。
设计一阶滤波器为
Figure BDA00030210295500001114
其中，
Figure BDA00030210295500001115
表示
Figure BDA00030210295500001116
滤波后的指令，a2＝0.1。
定义神经网络估计误差
Figure BDA00030210295500001117
鲁棒估计误差
Figure BDA00030210295500001118
设计更新律
Figure BDA00030210295500001119
Figure BDA00030210295500001120
其中，τ1＝1，m1＝1，ρ1＝2和σ1＝1。
定义误差
Figure BDA00030210295500001121
设计虚拟控制量
Figure BDA00030210295500001122
Figure BDA00030210295500001123
其中，k2＝1。
设计一阶滤波器为
Figure BDA0003021029550000121
其中，
Figure BDA0003021029550000122
表示
Figure BDA0003021029550000123
滤波后的指令，a3＝0.1。
定义误差
Figure BDA0003021029550000124
根据严格反馈系统(14)，则
Figure BDA0003021029550000125
其中，
Figure BDA0003021029550000126
表示最优估计权值，ε3表示神经网络近似误差，εh＝ε3+D3(t)，且满足
Figure BDA0003021029550000127
设计控制量u2为
u2＝N(ξh)v2 (20)
其中，
Figure BDA0003021029550000128
Figure BDA0003021029550000129
表示
Figure BDA00030210295500001210
的估计值，k3＝5。
定义神经网络估计误差
Figure BDA00030210295500001211
鲁棒估计误差
Figure BDA00030210295500001212
设计更新律
Figure BDA00030210295500001213
Figure BDA00030210295500001214
其中，τ3＝1，m3＝1，ρ3＝2，σ3＝1。
根据动力学模型(1)和饱和函数(12)，速度子系统写成以下形式
Figure BDA00030210295500001215
其中，fv(X)＝fv0(X)+Δfv，
Figure BDA00030210295500001216
Gv(t)＝gvB1(t)，
Figure BDA00030210295500001217
Dv(t)＝gv(K1(0)+Δ1(t))，Δfv表示模型不确定性。
定义误差
Figure BDA00030210295500001218
其中，Vd表示期望速度。根据速度子系统方程(22)，则
Figure BDA00030210295500001219
其中，
Figure BDA00030210295500001220
Figure BDA00030210295500001221
表示最优估计权值，εv表示神经网络近似误差，εD＝εv+Dv(t)，且满足
Figure BDA00030210295500001222
设计控制量u1为
u1＝N(ξv)v1 (23)
其中，
Figure BDA00030210295500001223
Figure BDA00030210295500001224
表示
Figure BDA00030210295500001225
的估计值，k0＝0.02。
定义神经网络近似误差
Figure BDA0003021029550000131
鲁棒估计误差
Figure BDA0003021029550000132
设计更新律
Figure BDA0003021029550000133
Figure BDA0003021029550000134
其中，τ0＝0.5，m0＝1，ρ0＝1，σ0＝1。
步骤4：根据控制输入u1和u2，得到实际控制量Φ＝sat(u1),δe＝sat(u2)，并返回到飞行动力学模型(1)-(5)中，实现高度和速度的稳定跟踪控制。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明公开的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。

Claims (3)

1.一种考虑输入饱和的飞行器鲁棒跟踪控制方法，其特征在于步骤如下：
步骤1：考虑飞行器纵向动力学模型为
Figure FDA0003784723100000011
Figure FDA0003784723100000012
Figure FDA0003784723100000013
Figure FDA0003784723100000014
Figure FDA0003784723100000015
其中，V、h、γ、α和q分别表示速度、高度、航迹角、迎角和俯仰角速度；D、L和MA分别表示阻力、升力和俯仰力矩；m、Iy和g分别表示飞行器质量、y轴的转动惯量和重力加速度；T表示发动机推力；(1)-(5)中相关气动力和力矩的定义如下
Figure FDA0003784723100000016
其中，ρh表示空气密度；S表示机翼面积；
Figure FDA00037847231000000111
表示平均气动弦长；
Figure FDA0003784723100000017
表示动压；CL，CD和CM分别表示总的气动升力系数、阻力系数和俯仰力矩系数；
Figure FDA0003784723100000018
Figure FDA0003784723100000019
表示气动导数；li,i＝1,…,8表示推力系数；zT表示推力力臂；Φ，δe分别表示燃料当量比和升降舵偏角；
考虑测量噪声，系统测量信号为
Figure FDA00037847231000000110
其中，ni,i＝1,…,5表示测量噪声，hm,γm,αm,qm,Vm表示测量信号；
步骤2：选择X＝[V h γ α q]T为状态量，根据动力学模型(1)-(5)建立系统状态方程
Figure FDA0003784723100000021
其中，w(t)＝[dV(t) dh(t) dγ(t) dα(t) dq(t)]T表示过程噪声；f0(X,u,t)∈R5表示(1)-(5)的标称模型；u＝[Φ,δe]T表示输入；
选择ym＝[Vm hm γm αm qm]T为量测量，根据(6)建立量测方程
ym＝CX+v(t) (8)
其中，C＝I5表示量测阵；v(t)＝[n1 n2 n3 n4 n5]T∈R5×1表示量测噪声；
信号w(t)和v(t)被建模为高斯白噪声，并满足
Figure FDA0003784723100000022
其中，Qf∈R5×5≥0表示噪声协方差矩阵，Rf∈R5×1＞0表示量测噪声协方差矩阵，
Figure FDA0003784723100000023
根据方程(7)-(9)构建连续扩展卡尔曼滤波器
Figure FDA0003784723100000024
其中，
Figure FDA0003784723100000025
表示状态估计值；Kf＝PfCTR-1∈R5×5表示滤波增益矩阵；
Figure FDA0003784723100000026
表示黎卡蒂方程；
Figure FDA0003784723100000027
步骤3：考虑输入饱和，Φ＝sat(u1),δe＝sat(u2)
Figure FDA0003784723100000028
其中，
Figure FDA0003784723100000029
分别表示Φ和δe的上界和下界；
将饱和函数转换成连续的线性函数
sat(ui)＝Bi(t)ui(t)+Ki(0)+Δi(t) (12)
其中，i＝1,2，Δi(t)＝sat(ui)-Ki(ui)，
Figure FDA0003784723100000031
Figure FDA0003784723100000032
定义Xh＝[x1 x2 x3]T，其中
Figure FDA0003784723100000033
由于γ很小，令方程(2)中的sinγ＝γ；同理，由于Tsinα＜＜L，方程(3)中的Tsinα省略；
定义高度跟踪误差
Figure FDA0003784723100000034
其中，hr表示期望高度，根据动力学(2)和PID控制方法得到航迹角指令为
Figure FDA0003784723100000035
其中，kph和kih由设计者给出的正常数；
根据动力学模型(2)-(5)和饱和函数(12)，姿态系统转换成以下严格反馈形式
Figure FDA0003784723100000036
其中，
Figure FDA0003784723100000037
fi＝fi0+Δfi,i＝1,3，Δfi表示模型不确定，D3(t)＝g3(K2(0)+Δ2(t))，
Figure FDA0003784723100000038
G3(t)＝g3B2(t)，
Figure FDA0003784723100000039
基于严格反馈系统(14)，利用反步法设计控制器；定义误差e1＝x1-xd，其中，xd＝γd；根据严格反馈系统(14)，则
Figure FDA00037847231000000310
其中，
Figure FDA00037847231000000311
W1 *表示最优估计权值，ε1表示神经网络近似误差，且满足
Figure FDA00037847231000000312
设计虚拟控制器
Figure FDA00037847231000000313
Figure FDA00037847231000000314
其中，
Figure FDA00037847231000000315
表示神经网络最优权值估计；P1表示基函数向量；
Figure FDA00037847231000000316
表示
Figure FDA00037847231000000317
的估计值；ω0和k1表示设计的正常数，由设计者给出；
设计一阶滤波器为
Figure FDA0003784723100000041
其中，
Figure FDA0003784723100000042
表示
Figure FDA0003784723100000043
滤波后的指令，参数a2＞0由设计者给出；
定义神经网络估计误差
Figure FDA0003784723100000044
鲁棒估计误差
Figure FDA0003784723100000045
设计更新律
Figure FDA0003784723100000046
其中，τ1，m1，ρ1和σ1表示设计的正常数；
定义误差
Figure FDA0003784723100000047
设计虚拟控制量
Figure FDA0003784723100000048
Figure FDA0003784723100000049
其中，k2表示控制参数；
设计一阶滤波器为
Figure FDA00037847231000000410
其中，
Figure FDA00037847231000000411
表示
Figure FDA00037847231000000412
滤波后的指令，a3＞0由设计者给出；
定义误差
Figure FDA00037847231000000413
根据严格反馈系统(14)，则
Figure FDA00037847231000000414
其中，
Figure FDA00037847231000000415
Figure FDA00037847231000000416
表示最优估计权值，ε3表示神经网络近似误差，εh＝ε3+D3(t)，且满足
Figure FDA00037847231000000417
设计控制量u2为
u2＝N(ξh)v2 (20)
其中，
Figure FDA00037847231000000418
表示Nussbaum函数，
Figure FDA00037847231000000419
Figure FDA00037847231000000420
表示
Figure FDA00037847231000000421
的估计值，参数k3＞0由设计者给出；
定义神经网络估计误差
Figure FDA00037847231000000422
鲁棒估计误差
Figure FDA00037847231000000423
设计更新律
Figure FDA0003784723100000051
其中，τ3，m3，ρ3和σ3是正常数；
根据动力学模型(1)和饱和函数(12)，速度子系统写成以下形式
Figure FDA0003784723100000052
其中，fv(X)＝fv0(X)+Δfv，
Figure FDA0003784723100000053
Gv(t)＝gvB1(t)，
Figure FDA0003784723100000054
Dv(t)＝gv(K1(0)+Δ1(t))，Δfv表示模型不确定性；
定义误差
Figure FDA0003784723100000055
其中，Vd表示期望速度；根据速度子系统方程(22)，则
Figure FDA0003784723100000056
其中，
Figure FDA0003784723100000057
Figure FDA0003784723100000058
表示最优估计权值，εv表示神经网络近似误差，εD＝εv+Dv(t)，且满足
Figure FDA0003784723100000059
设计控制量u1为
u1＝N(ξv)v1 (23)
其中，
Figure FDA00037847231000000510
表示Nussbaum函数，
Figure FDA00037847231000000511
Figure FDA00037847231000000512
表示
Figure FDA00037847231000000513
的估计值，参数k0＞0由设计者给出；
定义神经网络近似误差
Figure FDA00037847231000000514
鲁棒估计误差
Figure FDA00037847231000000515
设计更新律
Figure FDA00037847231000000516
其中，τ0，m0，ρ0和σ0是正常数；
步骤4：根据控制输入u1和u2，得到实际控制量Φ＝sat(u1),δe＝sat(u2)，并返回到飞行动力学模型(1)-(5)中，实现高度和速度的稳定跟踪控制。
2.一种计算机系统，其特征在于包括：一个或多个处理器，计算机可读存储介质，用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现权利要求1所述的方法。
3.一种计算机可读存储介质，其特征在于存储有计算机可执行指令，所述指令在被执行时用于实现权利要求1所述的方法。
CN202110402676.3A 2021-04-14 2021-04-14 考虑输入饱和的飞行器鲁棒跟踪控制方法 Active CN113126497B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110402676.3A CN113126497B (zh) 2021-04-14 2021-04-14 考虑输入饱和的飞行器鲁棒跟踪控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110402676.3A CN113126497B (zh) 2021-04-14 2021-04-14 考虑输入饱和的飞行器鲁棒跟踪控制方法

Publications (2)

Publication Number Publication Date
CN113126497A CN113126497A (zh) 2021-07-16
CN113126497B true CN113126497B (zh) 2022-10-28

Family

ID=76776679

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110402676.3A Active CN113126497B (zh) 2021-04-14 2021-04-14 考虑输入饱和的飞行器鲁棒跟踪控制方法

Country Status (1)

Country Link
CN (1) CN113126497B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113504730A (zh) * 2021-08-03 2021-10-15 西北工业大学 一种考虑执行器饱和的非线性飞行器鲁棒控制方法
CN113885314B (zh) * 2021-10-22 2023-05-23 电子科技大学 一种具有未知增益和干扰的非线性系统跟踪控制方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9296474B1 (en) * 2012-08-06 2016-03-29 The United States of America as represented by the Administrator of the National Aeronautics & Space Administration (NASA) Control systems with normalized and covariance adaptation by optimal control modification
CN110187713A (zh) * 2019-04-12 2019-08-30 浙江大学 一种基于气动参数在线辨识的高超声速飞行器纵向控制方法
CN111736468B (zh) * 2020-06-21 2022-06-21 西北工业大学 一种信息融合下的飞行器抗干扰控制方法

Also Published As

Publication number Publication date
CN113126497A (zh) 2021-07-16

Similar Documents

Publication Publication Date Title
CN102749851B (zh) 一种挠性高超声速飞行器的精细抗干扰跟踪控制器
Cobb et al. Iterative learning-based path optimization for repetitive path planning, with application to 3-d crosswind flight of airborne wind energy systems
CN113126497B (zh) 考虑输入饱和的飞行器鲁棒跟踪控制方法
CN111665857B (zh) 基于复合智能学习的变体飞行器控制方法
CN111679583B (zh) 基于气动参数估计的变体飞行器自适应控制方法
CN108427322B (zh) 一种大柔性飞行器基于在线辨识的建模方法
CN113111430A (zh) 基于非线性气动力降阶的弹性飞机飞行动力学建模方法
CN107479383A (zh) 基于鲁棒设计的高超声速飞行器神经网络复合学习控制方法
CN111736468B (zh) 一种信息融合下的飞行器抗干扰控制方法
CN104950901A (zh) 无人直升机姿态误差有限时间收敛非线性鲁棒控制方法
CN109164708B (zh) 一种高超声速飞行器神经网络自适应容错控制方法
CN111580540A (zh) 基于Kalman滤波的变体飞行器T-S模糊控制方法
CN113110540B (zh) 基于时标分解的弹性体飞行器全局有限时间控制方法
VanZwieten et al. Design of a prototype ocean current turbine—Part II: flight control system
Sun et al. Attitude dynamics and control of high-mass-ratio fixed-trim moving mass reentry vehicle
Heppel Flight dynamics of sailing foilers
Zhu et al. Fault-tolerant control of hypersonic vehicles based on fast fault observer under actuator gain loss fault or stuck fault
CN116360255A (zh) 一种非线性参数化高超声速飞行器的自适应调节控制方法
Suh et al. Modal filtering for control of flexible aircraft
CN113126494B (zh) 参考轨迹动态修正的低空飞行气动辨识控制方法
CN114153144A (zh) 一种输入受限和输入扰动的弹性高超声速飞行器控制方法
CN113126496B (zh) 基于改进ekf状态观测器的飞行器自适应跟踪控制方法
CN111708378B (zh) 一种基于强化学习的导弹纵向姿态控制算法
Yan et al. Robust backstepping control with prescribed performance for inner-loop longitudinal system of hypersonic vehicles under input constraint
CN114942595B (zh) 一种考虑降雨影响的无人机阵风响应建模和分析方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant